Tema 01 - Visualización de datos

Introducción

• La representación visual permite resumir información e identificar patrones que no se verían en los datos en bruto (en una hoja de cálculo).

• En un buen gráfico, la audiencia encuentra obvias las ideas a transmitir, sin abrumar con muchos hallazgos

• Usaremos la biblioteca ggplot2, basada en la Gramática de Gráficos (Wilkinson, 2005)

  • algunos gráficos simples requieren más opciones que en R base

  • PERO ofrece facilidades para gráficos complejos y profesionales

• Otras bibliotecas: rgl (gráfics 3D), ggvis (interactivos), plotly

Señales Visuales

La “Gramática de Gráficos”

• Especificar bloques independientes y combinarlos para crear cualquier visualización gráfica, como las frases a partir de nombres, verbos, objetos, etc.

• Bloques de construcción de un gráfico

  • Datos: data

  • Objeto geométrico (qué dibujamos: líneas, puntos, barras, etc.): geom_*()

  • Atributos estéticos (del objeto geométrico, como posición, color, forma, tamaño) que transmiten información de una variable: aes()

  • Escalas (rango of valores, colores, etc.): scale_*()

  • Sistema de Coordenadas

  • Facetas (pequeños múltiplos): facet_wrap(), facet_grid()

Creando un “ggplot”

ggplot(data = mpg, aes(x = displ, y = hwy)) + 
  geom_point()

ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy))

• ggplot(data = mpg) = gráfico vacío (coordenadas cartesianas, por defecto)

• Añadir capas con +: ej., objeto geométrico del tipo puntos = geom_point()

• El argumento mapping, asociado a aes(), define cómo las variables son asignadas a propiedades visuales

  • x e y especifican qué variables asignar a cada eje

• NOTA: el primer código define datos y estética para todas las capas que siguen; el segundo solo para el objeto geométrico de puntos.

Objetos geométricos

• Cada geom_*() agrega un tipo diferente de capa/marcas en el gráfico

  • puntos (geom_point, para diagramas de dispersión, de puntos, etc.)

  • líneas (geom_line, para series de tiempo, líneas de tendencia, etc.)

  • diagrama de caja (geom_boxplot)

  • etc.

• Para una lista de objetos geométricos disponibles, buscar las funciones que comienzan con geom_ en la Ayuda

Elementos Estéticos con aes()

• Elementos estéticos son “algo que se puede ver” (información)

• Cada elemento estético con aes() es un asociación (“mapping”) entre una señal visual y una variable

  • posición (p.e., en los ejes x e y)
  • color (color “exterior”)
  • relleno (color “interior”), fill
  • forma (de los puntos), shape
  • tipo de línea,
  • tamaño, size

• Cada geom acepta solo un subconjunto de todos los elementos estéticos.

  • En la ayuda de cada geom se puede ver qué asignaciones acepta en aes().

esquisse: una interfaz gráfica

• esquisse implementa de forma visual (“arrastrar y soltar”) la lógica de composición de gráficos de ggplot2
  • Similar a otras herramientas como Tableau o PowerBI o Gapminder
• Ejecutamos esquisser() para crear el gráfico, eligiendo datos

#install.packages("esquisse")
library(esquisse)
esquisser()                         
data("mpg")
esquisser(mpg, viewer = "browser")   # lanzar visor externo   

• Se pueden elegir muchos (no todos) aspectos del gráfico que veremos en este tema: tipo de gráfico, asignaciones estéticas, títulos, apariencia, etc.

• Genera un posible código de R para crea el gráfico

• También se puede descargar el gráfico creado

Gráficos como objetos de R

housing   <- rio::import("data/landdata-states.csv")
hp2001Q1  <- housing[housing$Date == 2001.00,] 
graf_base <- ggplot(hp2001Q1, aes(y = Structure.Cost, x = Land.Value)) +
                geom_point()

• Se pueden agregar capas a este objeto gráfico y mostrarlo

graf_base + geom_line()        # ¿tiene sentido este gráfico?
graf_base + geom_point(aes(shape = region)) 

• Añadimos una señal visual de formas (o color, etc.), NO para “embellecer” sino para representar la información de una variable adicional

• NO saturar el gráfico con estéticas fijas o información innecesaria

graf_base + geom_point(aes(size = Home.Price.Index,   
          color=Home.Value))    # ¿qué aportan estas variables?

Asociación estética y Asignación de opción fija

• Una asociación (“mapping”) estética, con aes(), visualiza una variable

• Una opción estética establece, fuera de aes(), un valor fijo de la señal visual

ggplot(hp2001Q1, aes(y = Structure.Cost, x = Land.Value)) +
  geom_point(shape = "cross",  color="red")   

ggplot(hp2001Q1, aes(y = Structure.Cost, x = Land.Value)) +
  geom_point(aes(shape = region, color=Home.Value))

ggplot(hp2001Q1, aes(y = Structure.Cost, x = Land.Value)) +
  geom_point(aes(shape = region, color=Home.Value),
             size = 3)

• Nota: region, carácter convertido a factor, se representa en escala categórica

Más geoms: “Smoothers” y Texto

• No todos los geoms son formas simples: aquí, por defecto, una línea (función no lineal estimada) y un área (intervalo de confianza de la predicción)

graf_base + geom_smooth()
graf_base + geom_smooth(method = lm, se = FALSE)  

• Cada geom acepta un conjunto particular de asignaciones: geom_text() acepta etiquetas

graf_base + geom_text(aes(label=State), size = 3)

• Si queremos el punto y la etiqueta de texto

#install.packages("ggrepel") 
library(ggrepel)
graf_base + geom_text_repel(aes(label=State), size = 3)

Comentario

• Cada objeto geométrico puede tener características propias

  • usar datos distintos para diferentes objetos,
  • utilizar diferentes estéticas en distintos objetos, etc..

• Por ejemplo, usamos solo un subconjunto de los datos para el objeto geométrico de texto

graf_base + geom_point() + 
  geom_text_repel(
    data = subset(hp2001Q1, State %in% c("NY","NJ","KY")), 
    mapping = aes(label=State), size = 3)

Transformaciones Estadísticas

• En algunos gráficos, como el de dispersión, cada punto grafica unas coordenadas (x e y) iguales al valor original de las variables a representar (aunque podemos transformarlas)

ggplot(hp2001Q1, aes(x = log(Land.Value), y = Structure.Cost)) + 
      geom_point()

• Otros gráficos representan estadísticas obtenidas a partir de las variables (no las variables directamente)

• Para “smoother”, se calcula una regresión

• Para un gráfico de caja, se calculan estadísticos descriptivos

ggplot(hp2001Q1, 
       aes(y = Home.Value/1000)) +  
  geom_boxplot()

Modificar las Transformaciones Estadísticas

• Podemos cambiar qué estadísticas calcular o representar en geoms que representan estadísticas

• Un histograma (variables continuas) depende de qué intervalos definamos para calcular las frecuencias: podemos cambiar el número de grupos (bins) o su ancho (binwidth) o fijar los rangos (breaks)

graf <- ggplot(housing, aes(x = Home.Value))
graf + geom_histogram(stat = "bin", binwidth=4000)
graf + geom_histogram(stat = "bin", bins=40)

• Podemos representar la densidad, en lugar de frecuencias absolutas

graf + geom_histogram(stat = "density" )  

• En un gráfico de barras (variables discretas), se calculan por defecto frecuencias de una variable, pero podemos representar otra variable, con identity

Escalas: control de la asociación estética

• aes() establece la variable asignada, no cómo se representa

  • aes(shape = region): qué forma para cada región
  • aes(color = Home.Value): qué color para cada valor

• Las funciones para modificar la escala siguen el esquema scale_<estética>_<tipo>

• Argumentos habituales para la escala:

  • name: título de la escala (en eje o leyenda)
  • limits: el mínimo y el máximo de la escala
  • breaks: valores donde deberían aparecer las etiquetas
  • labels: las etiquetas que aparecen en cada break

• Funciones específicas de escala pueden tener argumentos adicionales

Ejemplos de modificación de escala

g2 <- ggplot(housing, aes(y = State, x = Home.Price.Index)) + 
  geom_point(aes(color = Date))

• Modificamos breaks, etiquetas y colores de la escala de color

g2 + scale_color_continuous(breaks = c(1975.00, 1994.00, 2013.00),
            labels = c(1975, 1994, 2013), low = "blue", high = "red")

• Una escala diferente para color, interpolando entre tres colores

g2 + scale_color_gradient2(breaks = c(1975.00, 1994.00, 2013.00),
                           labels = c(1975, 1994, 2013),
                        low = "blue", high = "red", mid = "gray60", 
                        midpoint = 1994.00)

Listado (parcial) de escalas disponibles

Facetas (pequeños múltiplos)

• Para facilitar la comparación de gráficos (no solo objetos geométricos), se divide en subgráficos para distintos subconjuntos de los datos

graf_estad <- ggplot(housing, aes(x = Date, y = Home.Value))
graf_estad +  geom_line(aes(color = State))        # gráfico confuso

• facet_wrap() para facetas en función de variable discreta (usando “fórmula”)

graf_estad +  geom_line() + facet_wrap(~State, ncol = 10)

• facet_grid() para facetas en dos dimensiones

g3 <- ggplot(data = housing %>% filter(Year>2005)) + 
               geom_histogram(aes(x=Home.Value))
g3 +  facet_grid(region ~ Year)

g3 + facet_grid(region ~ .)     # También solo por filas 
g3 + facet_grid(. ~ region)     # o columnas

Contexto con labs(): título, ejes, leyendas

ggplot(hp2001Q1, aes(y = Structure.Cost, x = Land.Value)) +
 geom_point(aes(color = region)) + geom_smooth(method = "lm", se = FALSE) +
 labs(
   title = "Relación entre coste de la construcción y valor del terreno",
   subtitle = "Datos del Primer Trimestre de 2001",
   caption = "Fuente: Elaboración propia")

ggplot(hp2001Q1, aes(y = Structure.Cost/1000, x = Land.Value/1000)) + 
  scale_x_log10() + 
  geom_point(aes(color = region)) + geom_smooth(method = "lm", se = FALSE) +
  labs(x = "Valor del terreno (miles de $), escala logarítmica",
       y = "Valor de la construcción (miles de $)",
       colour = "Región") +
  scale_y_continuous(breaks=seq(80,200,40),labels=seq(80,200,40) )

Otros elementos de contexto

ggplot(hp2001Q1, aes(y = Structure.Cost/1000, x = Land.Value/1000)) +
  geom_point(aes(color = region)) + geom_smooth(method = "lm", se = FALSE) +
  scale_x_log10()+
  annotate("text", x = 140, y = 180, label = "casa cara") +
  annotate("text", x = 110, y = 150, label = "R ^ 2 == 0.026", 
           parse = TRUE)

  g2 +
    geom_vline(aes(xintercept = 1), linetype = 3, color = "black") 

Cambiar colores

• Se puede cambiar manualmente la combinación (paleta) de colores por defecto dando el nombre o el código hexadecimal HTML de color

graf <- ggplot(hp2001Q1, 
            aes(x = region, y = Home.Value, fill = region)) + 
          geom_boxplot()

graf + scale_fill_manual(
          values = c("red", "green", "blue", "yellow", "gray"))

• De igual forma se podría cambiar la forma con scale_shape_manual()

• Es recomendable usar paletas predefinidas, con criterios de diseño y visualización de información, como RColorBrewer o viridis

library(RColorBrewer)
display.brewer.all()
graf + scale_fill_brewer(palette = "Set3")
graf + scale_fill_brewer(palette = "Dark2")

Temas

• Podemos definir el estilo general del gráfico: etiquetas de los ejes, fondo del gráfico, apariencia de las leyendas, etc.

graf + theme_gray()       # predeterminado
graf + theme_linedraw()
graf + theme_light()
graf + theme_minimal()
graf + theme_dark()
graf + theme_classic()

• Ciertos elementos específicos del tema pueden ser cambiados con theme() y guardados para definir temas personalizados (para aplicarlos después)

• ggthemes ofrece temas creados por profesionales en diseño y comunicación

#install.packages("ggthemes")
library(ggthemes)
graf +  theme_economist() +  # diseño gráfico de "The Economist"   
  scale_fill_economist()     

Comentarios finales

• Guardar los gráficos: en la pestaña , lista desplegable o comando ggsave()

ggsave("my-plot.pdf")

• Ayuda en RStudio, Help > Cheatsheets > Data Visualization with ggplot2

• Fuentes de información con chuletas de R y RStudio aquí

  • existen versiones en castellano de algunas de ellas.